第02章 Ollama HTTP API 与流式响应

在前一章中，笔者完成了 Ollama 的安装与 CLI 验证。CLI 适合人机对话调试，对应用集成来说仍然不够直接：业务代码无法读取 CLI 进程的输出，也无法控制并发与超时。Ollama 真正向应用开放的能力，是常驻在 11434 端口的 HTTP 接口。本章把这条 HTTP 通道彻底走通，让读者在不依赖任何 SDK 的前提下，用 Python 的 requests 与 httpx 实现生成、对话与流式响应解码。

完成本章后，读者将能写出可被后端服务直接复用的 Ollama 调用函数，理解 NDJSON 流式协议的特征，并能在网络异常、模型未加载等边界场景下做出合理处理。

2.1 接口家族与调用风格

Ollama 暴露的 REST 接口都以 /api 为前缀，覆盖生成、对话、嵌入、模型管理等场景。本书重点使用其中三个：/api/generate 用于一次性生成、/api/chat 用于多轮对话、/api/embeddings 用于向量化。所有接口的认证方式相同：本地服务默认不需要 Token，远程访问则建议放在反向代理后做最简单的网络层鉴权。

2.1.1 接口分类与场景对应

笔者将本书会用到的 Ollama HTTP 接口与典型场景的对应关系总结于一表，方便读者后续查阅。常用接口“如表2-1”所示。

表 2-1 Ollama 常用 HTTP 接口

路径	方法	用途	流式支持
/api/generate	POST	单轮文本生成	是
/api/chat	POST	多轮对话生成	是
/api/embeddings	POST	文本向量化	否
/api/tags	GET	列出本地模型	否
/api/show	POST	查看模型元数据	否

本章重点演示前两个，第三个嵌入接口将在向量化章节展开。后两个查询类接口主要用于运维或调试场景，本书不做专题展开，读者可在 Ollama 官方文档中按需查阅。

2.1.2 请求负载的通用字段

Ollama 的生成与对话接口共享一套基础字段，理解它们能让读者快速读懂示例代码。最常用的字段及作用“如表2-2”所示。

表 2-2 生成与对话接口的常用字段

字段	类型	作用
model	string	指定使用的模型名，需与本地已 pull 的名称一致
prompt	string	单轮生成接口的输入文本
messages	array	对话接口的消息列表，元素为带 role 与 content 的对象
system	string	系统提示，约束模型角色或风格
stream	bool	是否以流式方式返回，默认为 true
options	object	推理参数，常见为 temperature、num_predict

stream 字段在本章占据核心位置：当其为 true 时，Ollama 用 NDJSON 协议把生成片段逐条推送回客户端；为 false 时则等待整段生成完成再一次性返回。后续章节中 SSE 流式后端正是建立在 stream=true 之上的。

注意：messages 中的 role 字段只接受 system、user、assistant 三种值，写错会导致 400 错误，错误信息常被流式输出掩盖，调试时建议先关闭流式确认请求格式。

2.2 用 requests 调用对话接口

requests 是 Python 同步 HTTP 库的事实标准，本节先用它完成一次最小可行的 Ollama 调用。配套源码中的 test_ollama.py 就是这条路径的实现，本节顺着它展开讲解。

2.2.1 构造一次对话请求

最小的对话请求包含模型名与消息列表两个必填项，调用方式如下。

import requests

response = requests.post(
    "http://localhost:11434/api/chat",
    json={
        "model": "llama3.2:latest",
        "messages": [{"role": "user", "content": "请介绍一下Ollama并用中文回答."}],
    },
    stream=True,
)

代码中 stream=True 起到双重作用：HTTP 客户端层面允许逐块读取响应体，Ollama 服务端层面则按 NDJSON 协议分片推送。两者必须配合，否则要么解析失败，要么白白等待完整响应。

读者可以暂时把 prompt 中的请求语句替换成任意问题，验证模型对中文与英文输入的响应差异，从而对模型能力建立直观印象。

2.2.2 解析 NDJSON 流式响应

流式响应中每一行都是一个独立的 JSON 对象，行末以换行符分隔，整体不是合法 JSON 数组，而是 Newline Delimited JSON（简称 NDJSON）。读取方式是按行迭代，每行单独 json.loads。

for line in response.iter_lines():
    if line:
        data = line.decode("utf-8")
        print(data)

直接 print 出来的每一行结构与字段含义“如图2-1”所示。

每一行包含若干字段，其中 message.content 是本片增量文本，done 表示本次生成是否结束。把所有非空 content 拼接起来，就是模型完整回答。读者可在 test_ollama.py 基础上加一行 json.loads 与拼接逻辑，得到等价于 CLI 输出的最终文本。

注意：流式响应的最后一行 done 为 true 且 content 通常为空，循环中不要因为遇到空 content 而提前 break，必须等到 done 为真才结束。

2.2.3 健壮性与错误处理

最小示例没有处理网络异常与服务错误，正式代码需要补充三类防御：连接异常、HTTP 状态码非 200、响应行解析失败。常见错误类型与建议处理“如表2-3”所示。

表 2-3 Ollama HTTP 调用的常见错误

错误类型	触发原因	建议处理
ConnectionError	Ollama 服务未启动或端口不通	提示用户启动 Ollama，并在日志中给出 11434 端口检查命令
404 model not found	请求的模型未 pull 到本地	在响应中给出可执行的 pull 命令
Timeout	模型加载或生成超时	适当延长 timeout，必要时改为异步调用
JSONDecodeError	响应行残缺或包含空字节	跳过该行并记录日志，不影响整体生成

笔者建议把上述处理统一封装到一个 chat 函数里，对外只暴露 prompt 与 model 两个参数，函数内部完成 URL 拼接、错误分类、流式拼接。后续章节中 backend/main.py 的 stream_ollama_llm 函数正是这条思路的进一步演化。

2.3 用 httpx 做异步流式调用

requests 是同步库，适合脚本与测试；进入 FastAPI 后端服务时，需要换用支持 async 的客户端，避免阻塞事件循环。httpx 提供与 requests 相近的 API，同时支持异步上下文与流式读取，是 Ollama 在后端最常用的搭档。

2.3.1 异步客户端与上下文管理

httpx 推荐用 AsyncClient 作为异步上下文管理器，进入时建立连接池，退出时自动释放。下面示例改写自 backend/main.py 中的 stream_ollama_llm 函数。

import httpx

async def stream_chat(prompt: str, model: str = "llama3.2:latest"):
    payload = {
        "model": model,
        "messages": [{"role": "user", "content": prompt}],
        "stream": True,
        "options": {"temperature": 0.7, "num_predict": 2000},
    }
    async with httpx.AsyncClient(timeout=120.0) as client:
        async with client.stream(
            "POST",
            "http://localhost:11434/api/chat",
            json=payload,
        ) as response:
            response.raise_for_status()
            async for line in response.aiter_lines():
                if line.strip():
                    yield line

整段代码以异步生成器形式对外提供，每个 yield 出去的就是一段流式响应行。调用方可以再做一次 json 解析与片段拼接，得到可推给前端的文本块。

2.3.2 超时与取消的实践

本地大模型生成耗时不稳定，简单设置 timeout 不足以覆盖所有情况，需要在三个层面综合处理。常见做法“如表2-4”所示。

表 2-4 异步流式调用的稳定性手段

手段	作用	建议值或写法
连接超时	防止 Ollama 未启动时长时间阻塞	httpx.Timeout(connect=5.0)
读超时	控制单次响应等待上限	单独配置 read 参数，典型 60 至 120 秒
任务取消	客户端断开时尽快中止后端生成	用 anyio 或 asyncio 监听断连事件

后续章节里 FastAPI 接收前端断开请求后，会触发协程取消，httpx 的 stream 上下文会一并退出，最终关闭与 Ollama 的连接。这条链路读者目前只需要知道存在，具体实现细节将在 RAG 后端章节再展开。

注意：把 timeout 设得过短会导致大模型推理被中途打断，过长则前端长时间等不到任何反馈，建议配合心跳事件或加载提示给出体验上的兜底。

2.4 本章小结

本章把 Ollama 的 HTTP 接口拆解清楚：从最小 requests 示例理解 NDJSON 流式协议，再升级到 httpx 异步流式调用以适配后端服务。读者现在已经具备直接驱动本地大模型的能力，可以脱离 CLI，把它当作一个普通的 HTTP 服务来用。

下一章笔者将转向数据侧：要让本地 LLM 能基于私有知识回答问题，先要把原始文本切成大小适中的块。文本切片是检索增强生成链路上看似不起眼但至关重要的一环，做得好与不好直接决定后续向量检索的效果。

---

作者：光谷老亢
配套源码：https://github.com/kang-airtc/ollama-mini-book